辽西地区油松毛虫遥感监测技术的研究_辽西地区包括哪些城市

　　摘要以辽宁省西部地区油松林为例，根据当地物候特征和油松毛虫的生物学特性，选取了不同时相的3期TM影像，进行了松毛虫灾害前后油松林受害程度的调查。结合GIS专题信息图，比较分析了油松毛虫灾害前后油松林的生长特征和光谱特征，计算出7种植被指数和TM4在松毛虫害发生后油松的光谱值，得出TM4/TM3是监测松毛虫害的特征指数。建立了油松毛虫遥感监测模型，经现地检验，平均精度达到86.55%。
　　关键词油松毛虫害；TM影像；植被指数；遥感监测技术；辽西地区
　　中图分类号S763.42+1文献标识码A文章编号 1007-5739（2011）02-0235-02
　　
　　StudyonRemoteSensingMonitoringTechniqueforDendrolimustabulaeformisTsaietLiubyTMImageryinWesternLiaoning
　　FU Ying-meiXUE Hai-junXU Jia-ming
　　（State-owned Qitian Forest Farm in Lingyuan City，Lingyuan Liaoning 122500）
　　AbstractTaking Pinus tabulaeformis in western Liaoning as an example，based on the local phenological & biological characteristics of Dendrolimus tabulaeformis，3 periods of different TM imageries were selected.Investigation for damage situation of Dendrolimus tabulaeformis were conducted pre and post damage emergence.Combining GIS data and phenological information，the paper contrasted the growth and spectrum characteristics between pre and post damage.7 types of vegetation indices and the spectrum values occurred after damage for TM4 imagery were figured out.The results showed that the imagery of TM4/TM3 was proved to be characteristic indices for monitoring Dendrolimus tabulaeformis，which according with the monitoring mechanism.Remote sensing monitoring model was constructed，which was examined in the experimental field，mean precision reached 86.55%.
　　Key wordsDendrolimus tbaulaeformis Tsai et Liu；TM imagery；vegetation index；remote sensing monitoring technique；western Liaoning
　　
　　辽宁省西部地区油松毛虫每年发生危害的面积占全省森林病虫害发生面积的40%以上[1]，严重威胁着该地区的森林经营及生态环境建设。多年来，对于如何有效监测和防治辽西地区油松毛虫害开展了大量的研究，尽管取得了一些可喜的成果，但目前大部分研究仍是根据松毛虫的生物学特性利用期距值和回归方程进行发生期预测，由此指导生产实践[2]，而利用遥感技术监测油松毛虫害未见报道。
　　该项研究对辽宁省西部地区松毛虫害发生前后的油松林进行了现地调查，根据当地物候特征和松毛虫生物学特征选取了3期TM卫星数据及GIS专题图，提取松毛虫害发生前后的油松林信息，分析和评价该地区TM影像的各种植被指数与油松毛虫害发生之间的关系，构建油松毛虫遥感监测模型，以为防治油松毛虫害提供科学的决策依据。
　　1材料与方法
　　1.1研究地概况
　　试验地位于辽宁省西部地区的凌源市，位于东经118°50′~119°39′，北纬40°36′~41°27′，坐落在大凌河上游，向西与河北省交界，西北与内蒙古接壤。境内山地、丘陵广布，地势西高东低。年平均气温8.2 ℃，年平均降水量600 mm。该地区以油松纯林为主，约占整个有林面积的60%以上，林龄多为30~40年。油松林分布集中连片，植物群落构成简单，生态系统不稳定，生物多样性指数较低，天敌种群密度较小，对松毛虫种群密度调节作用不明显，松毛虫害发生猖獗[3]。试验地依托凌源市森林病虫害防治验疫站测报点。
　　1.2研究方法
　　1.2.1遥感数据的选取与处理。根据当地物候特征与历史虫情信息，选取研究区的Landsat-5TM卫星影像，共3个时相，分别是1998年10月28日（轨道号121/31）、1999年6月25日（轨道号121/32）、2002年7月3日（轨道号121/32）的数据[3－5]。对3个时相的遥感数据作几何精校正和严密的配准，设置地理投影为北京54与基于GIS建立的空间信息库投影一致，便于进行比较、叠加、处理，提高数据精度。
　　1.2.2试验区虫情调查。在全面调查的基础上，结合历史虫情，选择不同虫口密度地块作为标准地，每块样地面积大小为1 hm2，每年4―5月和9―10月调查样地植株是否有当年取食孔和新羽化孔，计算虫株率，记录油松针叶损失量。根据油松针叶损失量，依次设置油松毛虫重度、中度、轻度危害训练样地，并与TM影像相对应。
　　1.2.3油松灾害级信息提取。选取1998年10月28日冬季TM影像，结合GIS专题图，提取油松边界；选取1999年6月25日（油松林大面积受灾之前）和2002年7月3日（油松林严重受灾后）的TM影像数据，有较强的可比性。为了便于研究，有效剔除林下干扰因子，以灾害前影像为对照，在灾害后影像上选取300块油松纯林（郁闭度≥0.5），其中包括轻、中、重3级灾害，通过引线测量方式在现在地定位，经核查，其定点误差小于20 m。提取以样地中心坐标为中心的3像元×3像元（共9个像元）的遥感数据，并求其平均值，以代表整个样地的遥感数值。由此保证了遥感数据同地面样地调查数据的准确对应关系，同时减少周围样地亮度值的影响，极大地提高分析精度[6]。
　　1.2.4植被指数的计算。植被指数是指选用多光谱遥感数据分析运算（加、减、乘、除等线性或非线性组合方式）产生的某些对植物被势、生物量等有一定指示意义的数值[7]。目前，常用的几种植被指数主要有比值（RVI）、归一化（NDVI）、差值（DVI）和垂直植被指数（RVI）等。该研究主要采用RVI和NDVI，其计算公式分别为：
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文 　　RVI=DNNIR/DNR
　　NDVI=（DNNIR-DNR）/（DNNIR+DNR）
　　式中，DNNIR为遥感影像中近红外波段的反射值；DNR为遥感影像中红光波段的灰度值。
　　1.2.5植被指数变化率与针叶损失量关系模式。当油松林发生松毛虫灾害时，油松的针叶数量下降，导致植被指数发生变化。根据针叶损失量与植被指数变化建立关系模式[8]：
　　VIc（%）=×100
　　LR=C・VIc+∈
　　式中，VIa：健康年份归一化植被指数；VIb：危害年份归一化植被指数；VIc：植被指数变化率；LR：针叶损失率；C：植被指数变化与针叶损失的相关系数，与训练样地的虫口数、虫口密度、油松林的林龄、轮枝数及当地的1只油松毛虫全生育期平均取食针叶量相关。
　　2结果与分析
　　2.1油松毛虫害发生前后光谱值对比分析
　　对比1999、2002年的遥感影像，结合地面调查虫情数据，选取松毛虫害明显发生区域，抽样提取灾害前和灾害后油松林的光谱值，并利用其均值绘制光谱曲线（图1）。
　　由图1可知，灾害后（2002年）TM1、2、3、5、7波段的光谱均值大于灾害前（1999年）；在TM4波段上，灾害后光谱均值小于灾害前。这是受植物光谱特征影响，健康植物在TM4波段正处于强反射峰值，对植被发生强反射，植被状况越好，松毛虫嚼食松针，大大减少了油松针叶数量，油松生长延缓，甚至死亡，导致近红外反射率明显降低，即TM4光谱降低。以上差异表明，TM4波段可以用于监测油松毛虫害，但TM4光谱值在油松毛虫害发生前后差值不大，说明利用TM4波段监测油松毛虫害不是最佳参数。
　　2.2油松毛虫害与各植被指数光谱值的分析
　　大量研究表明，根据不同地形和地况选择不同的植被指数，能够有效监测森林病虫害的发生[9-11]。根据地面调查数据和遥感图像，选择松毛虫害前后林分质量明显发生变化的区域，可以计算出7种植被指数。比较7种植被指数和TM4在松毛虫害发生前后油松林的光谱值变化，如图2所示。
　　松毛虫害发生前后，油松林各植被指数的光谱值明显不同。指数3、4、6、7、8松毛虫灾害后油松林光谱值高于受灾前，不符合监测机理；指数1、5灾害前后油松光谱值几乎相等，即灾害前后的光谱值差值很小，而指数2松毛虫害后油松林光谱值低于受灾前，与监测机理相符，是监测松毛虫害的特征指数。
　　2.3油松林灾害模型的建立
　　当发生不同程度松毛虫灾害时，特征指数TM4/TM3的DN值也发生不同程度地变化。由表1可知，当油松林受到重度灾害后，△VI重度的均值为48，△VI中度的均值为37，△VI无（轻）度的均值为17，数值差异较大。得出TM4/TM3的变化与地面调查油松林针叶损失有极好的相关性[10]。
　　利用GPSS软件对样本做回归分析得出针叶损失率（LR）y与植被变化率（VIC）x的回归方程式，为：
　　y=7.889 88+1.555 900 x
　　由表2可知，检验统计量F值=75.33，概率P＞F＝0.000 1 ＜0.01，说明拟合效果极显著。经t检验，参数极显著P＞T18＜0.05。该模型成立，即LR＝7.889 88+1.555 900 VIc。
　　2.4油松林灾害模型的精度评价
　　抽样调查2002年油松毛虫不同程度发生区域，评价该模型的精度。现地样方大小为30 m×30 m，与TM影像上一个图斑大小相吻合。
　　由表3可知，该遥感监测对轻度或健康林最为精确，达
　　92.39%；对重度灾害监测精度次之，为86.84%；对中度灾害监测精度较低，为80.41%。遥感监测对于重度和轻度监测精度高于常规地面监测，该模型监测平均精度达86.55%。
　　3结论与讨论
　　将灾害前后2张TM影像叠加，结合GIS专题图，提取油松灾害前后的遥感信息，分析比较TM4和7类植被指数监测强度，表明TM4/TM3指数是用来监测油松毛虫害的最佳指数。戴昌达等[9]曾利用TM数据在安徽全椒县孤山国有林场监测松毛虫害灾害，得出垂直植被指数RVI为监测针叶损失率的特征指数；Nakane 等[11]利用TM数据分析松林枯萎灾害，得出TM4/TM3与林冠覆被的变化有明显的负相关。该文结论继承和发展了前人的研究成果，提出适合辽宁省油松毛虫害监测的特征指数，为提升辽宁省森林病虫害监测手段进行了有益的尝试。
　　通过地面调查与遥感数据相结合，运用雷莉萍等[8]构建的松毛虫监测模式，建立了油松毛虫害遥感监测模型。结果表明，遥感监测对轻度或健康林最为精确，达到92.39%；对重度灾害监测精度次之，为86.84%；对中度灾害监测精度较低，为80.41%。遥感监测对于重度和轻度监测精度高于常规地面监测精度，该模型平均监测精度达到86.55%，较Joria等[5]利用TM和SPOT数据对美国密歇根舞毒蛾灾害进行监测的准确率82%高。该模型预测精度高于常规测水平，达到森林病虫害预测预报精度要求。其成果必将大大提升辽宁省森林病虫害的监测水平，为辽西地区油松毛虫灾害的防治与控制提供理论依据与实践指导，为当地森林可持续经营与生态环境建设做出重要贡献。
　　4参考文献
　　[1] 肖艳，常忠连.辽宁省松毛虫监测预报信息管理系统的研究[J].辽宁林业科技，2004（3）：13-15.
　　[2] 于景利，姜辉，李翠芹，等.凌源市油松毛虫发生期预测方法的研究[J].辽宁林业科技，1999（6）：41-43.
　　[3] 武红敢，石进.松毛虫灾害的TM影像监测技术[J].遥感学报，2004，8（2）：172-177.
　　[4] 黄建文，鞠洪波.山区林地多季相TM影像综合分类研究[J].福建林学院学报，2004，24（2）：136-139.
　　[5] JORIA P E，AHEARN S C.A comparisiong of the SPOT and Landsat thematic mapper satellite system for detecting gypsy moth defoliation in michigan[J].Ptotogrammetric Engineering and Remote Sensing，1991，57（12）：1605-1612.
　　[6] 武红敢，崔恒建.密郁闭林分针叶林失叶量遥感监测模型初探[J].国土资源遥感，1995（2）：29-35.
　　[7] 赵英时.遥感应用分析原理与方法[M].北京：科学出版社，2003：372-375.
　　[8] 雷莉萍，胡德永，江平，等.森林虫害的遥感监测模式研究[J].遥感信息，1995（3）：12-14.
　　[9] 戴昌达，雷莉萍，胡德永，等.卫星遥感监测松毛虫灾[J].遥感信息，1991（3）：32-34.
　　[10] VOGELMANN J E，ROCK B N.Assessing forest damage in high-elevation coniferous forests in vermont and new Hampshire using thematic mapper data[J].Remote Sensing of Environment，1988，24（2）：227-246.
　　[11] NAKANE K，KIMURA Y.Assessment of pine forest damage by blight based on Landsat TM data and correlation with environmental factors[J].Ecological Research，1992，7（1）：9-18.
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文